sparsecategoricalcrossentropy,和,SparseCategoricalCrossentropy,用法,区别
这两个函数的功能都是将数字编码转化成one-hot编码格式，然后对one-hot编码格式的数据（真实标签值）与预测出的标签值使用交叉熵损失函数。
先看一下官网给出的对于两个函数定义：
tf.keras.losses.SparseCategoricalCrossentropy(
from_logits=False, reduction=losses_utils.ReductionV2.AUTO,
name=‘sparse_categorical_crossentropy’)
tf.keras.losses.sparse_categorical_crossentropy(
y_true, y_pred, from_logits=False, axis=-1)
函数定义中，最明显的区别是sparse_categorical_crossentropy中在参数中指定y_true（真实标签值）以及y_pred（预测标签值）。
import tensorflow as tf import numpy as np y_true = tf.constant([1, 2]) y_pred = tf.constant([[0.05, 0.95, 0], [0.1, 0.8, 0.1]]) loss = tf.reduce_mean(tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)) scce = tf.keras.losses.SparseCategoricalCrossentropy() print(loss.numpy()) print(scce(y_true, y_pred).numpy())
运行结果如下： 
sparse_categorical_crossentropy需在参数的部分指定y_true和y_pred
SparseCategoricalCrossentropy在调用部分指定y_true和y_pred
接下来，再对这两个函数的参数进行简单描述：
- SparseCategoricalCrossentropy
- reduction=‘auto’，这个参数是进行最后的求平均，如果是设置为losses_utils.ReductionV2.None，就不会求平均了
设置为reduction='none' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='none') # 输出结果是：
[0.05129344 2.3025851 ] #
设置为reduction='auto' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='auto')
# 输出结果是求平均后的结果：
# 1.1769392
